paligemma-3b-pt-448
多语言视觉语言模型 适用于多种图像相关任务
PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。
PaliGemma-3b-pt-448项目介绍
项目概述
PaliGemma-3b-pt-448是一个由Google开发的多功能、轻量级的视觉-语言模型(VLM)。这个模型是基于开放组件如SigLIP视觉模型和Gemma语言模型而构建的。它能够同时接受图像和文本作为输入,并生成文本作为输出,支持多种语言。该模型旨在通过微调在广泛的视觉-语言任务上实现领先的性能,如图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等。
模型架构
PaliGemma-3b-pt-448模型由一个Transformer解码器和一个Vision Transformer图像编码器组成,总共有30亿个参数。文本解码器是基于Gemma-2B初始化的,而图像编码器则是基于SigLIP-So400m/14初始化的。整个模型是按照PaLI-3的方法进行训练的。
输入与输出
- 输入:图像和文本字符串,如描述图像的提示或问题。
- 输出:根据输入生成的文本,如图像描述、问题答案、目标边界框坐标列表或分割代码字。
预训练数据集
PaliGemma-3b-pt-448模型在多个数据集上进行了预训练,包括:
- WebLI:一个大规模的多语言图像-文本数据集
- CC3M-35L:来自网页的英语图像-文本对,并翻译成34种额外语言
- VQ²A-CC3M-35L/VQG-CC3M-35L:VQ2A-CC3M的子集,翻译成34种额外语言
- OpenImages:基于OpenImages数据集生成的检测和目标感知问答
- WIT:从维基百科收集的图像和文本
数据处理
在训练过程中,项目团队对WebLI数据集应用了多种过滤方法,以确保训练数据的清洁度:
- 色情图像过滤
- 文本安全过滤
- 文本毒性过滤
- 个人信息过滤
- 其他基于内容质量和安全性的方法
使用方法
PaliGemma-3b-pt-448模型主要设计用于微调特定任务,而不是直接使用。用户可以通过任务前缀(如"detect"或"segment")来配置模型要解决的任务。对于交互式测试,可以使用经过多任务微调的"mix"系列模型。
在Transformers库中使用
该模型可以通过Transformers库轻松加载和使用。用户可以选择在CPU上运行默认精度(float32)的模型,或在CUDA设备上运行bfloat16或float16精度的模型。此外,还支持4位和8位量化推理,以进一步优化性能和内存使用。
评估结果
PaliGemma-3b-pt-448模型在多个基准测试中展现出了优秀的性能,包括图像描述、问答、视觉推理等任务。这些评估结果表明,该模型具有强大的迁移学习能力,可以适应各种视觉-语言任务。
总的来说,PaliGemma-3b-pt-448是一个功能强大、灵活多用的视觉-语言模型,为研究人员和开发者提供了一个优秀的工具,可用于各种复杂的多模态任务。
编辑推荐精选
AEE
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。
UI-TARS-desktop
基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与 视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。
Wan2.1
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。
爱图表
全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表
爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。
Qwen2.5-VL
一款强大的视觉语言模型，支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。
HunyuanVideo
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。
WebUI for Browser Use
一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏 览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。
xiaozhi-esp32
基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起 高效的 AI 语音交互系统，为智能设备开发提供强大助力。
olmocr
一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。
olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。
飞书多维表格
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号